YOLOv11全网最新创新点改进系列：YOLOv11融合RepLKNet-基于Swin架构的超大核网络，大 kernel 模型不但有效感受野更大而且更像人类，精度提升！！！

AI棒棒牛

已于 2024-11-04 22:04:35 修改

阅读量794

点赞数 9

分类专栏： YOLOv11目标检测全网最新创新点改进系列文章标签： YOLO YOLOv11 目标检测模型改进有效涨点保研 python

于 2024-10-25 23:44:19 首次发布

本文链接：https://blog.csdn.net/weixin_51692073/article/details/143246095

版权

YOLOv11目标检测全网最新创新点改进系列专栏收录该内容

43 篇文章

订阅专栏

YOLOv11全网最新创新点改进系列：YOLOv11融合RepLKNet-基于Swin架构的超大核网络，大 kernel 模型不但有效感受野更大而且更像人类，精度提升！！！

所有改进代码均经过实验测试跑通！截止发稿时YOLOv11已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai学术叫叫兽！

购买相关资料后畅享一对一答疑！

YOLOv11全网最新创新点改进系列：YOLOv11融合RepLKNet-基于Swin架构的超大核网络，大 kernel 模型不但有效感受野更大而且更像人类，精度提升！！！

RepLKNet论文戳这

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

自从VGG提出以后，各种CNN网络层出不穷，但是他们都遵循了VGG的设计思想，通过多个小卷积核叠加来得到大的感受野同时保证较少的参数量（2各3x3的卷积核感受野和5x5的卷积核感受野相同，但是参数18<25）。随着ViT逐渐在各类视觉任务种拿到SOTA的表现，CNN似乎有点后继无力。RepLKNet打破了这种现象，提出使用在CNN网络中使用大的卷积核，RepLKNet在各类视觉任务中获得了SOTA表现。

YOLOv11全网最新创新点改进系列：YOLOv11融合RepLKNet-基于Swin架构的超大核网络，大 kernel 模型不但有效感受野更大而且更像人类，精度嘎嘎提升，精度提升效果拉满！！！

YOLOv11全网最新创新点改进系列：YOLOv11融合RepLKNet-基于Swin架构的超大核网络，大 kernel 模型不但有效感受野更大而且更像人类，精度提升！！！
所有改进代码均经过实验测试跑通！截止发稿时YOLOv11已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai学术叫叫兽！
**购买相关资料后畅享一对一答疑**！
YOLOv11全网最新创新点改进系列：YOLOv11融合RepLKNet-基于Swin架构的超大核网络，大 kernel 模型不但有效感受野更大而且更像人类，精度提升！！！
一、RepLKNet概述
二、YOLOv8+RepLKNet改进方法
三、验证是否成功即可
四、写在最后

一、RepLKNet概述

1.1 概述

RepLKNet的作者受到了vision transformers (ViT) 最新进展的启发,提出了31×31的超大核模型，与小核 CNN 相比，大核 CNN 具有更大的有效感受野和更高的形状偏差而不是纹理偏差。借鉴 Swin Transformer 的宏观架构，提出了一种架构 RepLKNet。在 ImageNet 上获得 87.8% 的 top-1 准确率，在 ADE20K 上获得 56.0% mIoU，这在具有相似模型大小的最先进技术中非常具有竞争力。

作者在卷积神经网络中引入了大尺寸的深度可分离卷积核做实验，发现如下几点使用大卷积核的指导：

（1）大的卷积核计算也可以很有效率；

（2）残差连接结构对大核卷积网络非常重要；

（3）使用小卷积核重参数化来补优化问题；

（4）对比ImageNet分类任务，在下游任务上大卷积核网络表现更好；

（5）即使特征图很小，使用大卷积核也会很有效。
其网络结构图，如下图所示：
在这里插入图片描述

1.2 贡献

1.2.1 大卷积有更大的感受野

从下图可以看出，ResNet101核ResNet152感受野几乎相同，而RepLKNet可以明显看到随着卷积核增加，感受野增大。
在这里插入图片描述

1.2.2 大卷积能够学到更多的形状信息

人类视觉对图片进行分类更关注于物体的形状，而卷积网络更多学习到图片的纹理信息，下图对比了几种网络在16种物体上学习到的形状信息的比例，可以看出随着卷积核增加，网络能够学习到更多的形状信息
在这里插入图片描述

详细的信息，去看原文吧！加油，家人们遥遥领先了！

二、YOLOv8+RepLKNet改进方法

网络修改三步曲已在往期视频中不断重复，在此不再进行大篇幅的赘述。
详细的改进方法以及流程可以关注我的B站：AI学术叫叫兽
链接在此！

三、验证是否成功即可

执行命令

python train.py

大核卷积模型，训练起来也是与众不同！点击链接，看一下训练速度对比效果吧！！！

改完收工！
关注B站：AI学术叫叫兽
从此走上科研快速路
遥遥领先同行！！！！

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

四、写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，所以本文作者即B站Up主：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。因为经历过所以更懂小白的痛苦！因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！！！

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽源码在动态中有链接，感谢支持！祝科研遥遥领先！